فلش‌کارت‌های آموزشی یادگیری ماشین در استخراج اطلاعات از تصاویر ماهواره‌ای

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین در استخراج اطلاعات از تصاویر ماهواره‌ای

موضوع کلی: علوم جغرافیا و زیست‌شناسی محیطی

موضوع میانی: GIS و سنجش از دور

📋 سرفصل‌های دوره

• 1. مقدمه به استخراج اطلاعات از تصاویر ماهواره‌ای
• 2. انواع حسگرها و پلتفرم‌های ماهواره‌ای
• 3. سلسله مراتب داده‌های تصویری ماهواره‌ای و مدل‌های رستر
• 4. اساس‌های مرجع جغرافیایی و سیستم‌های مختصات
• 5. فرمت‌ها و استانداردهای رایج در تصاویر ماهواره‌ای (مثل GeoTIFF)
• 6. کار با داده‌های چند طیفی و نوری
• 7. فهمیدن باندهای طیفی برای کلاس‌های هدف
• 8. معرفی داده‌های همگن‌سازی شده و پوشش‌های سطح زمین
• 9. روش‌های جمع‌آوری داده‌های ماهواره‌ای برای یادگیری ماشین
• 10. آشنایی با ابزارهای مدیریت داده‌های حسگر remoted sensing (مثل GDAL، GDAL و GDAL و GDAL و GDAL)
• 11. استفاده از کتابخانه‌های پایتونی مانند rasterio، earthpy، xarray
• 12. مراحل پیش‌پردازش: تصحیح تابشی و جوی
• 13. تصحیح هندسی و ثبت تصاویر
• 14. تقویت کننده‌های شدة تصویر و بهبود کننده‌های کنتراست
• 15. فهمیدن شاخص‌های طیفی برای پوشش گیاهی (NDVI، EVI)
• 16. استخراج ویژگی‌های بافتی با استفاده از متادیتا
• 17. مدل‌های داده‌های مکانی برای استخراج اطلاعات
• 18. مفاهیم اولیه یادگیری ماشین برای سنجش از دور
• 19. آشنایی با روش‌های طبقه‌بندی تحت نظارت
• 20. آشنایی با روش‌های طبقه‌بندی بدون نظارت (K-means، DBSCAN)
• 21. آماده‌سازی داده‌های آموزشی برای مدل‌های یادگیری ماشین
• 22. انتخاب ویژگی‌ها برای داده‌های تصویری ماهواره‌ای
• 23. ارزیابی مدل‌ها: ماتریس ابهام، دقت، حساسیت، و F1
• 24. اعتبارسنجی متقاطع برای مدل‌های طبقه‌بندی تصویر
• 25. بهینه‌سازی فرآیندهای یادگیری با تنظیمات بهینه‌سازی
• 26. کاربردهای روش‌های کلاسیک (Random Forest، SVM، k-NN)
• 27. پیاده‌سازی روش‌های طبقه‌بندی با استفاده از scikit-learn
• 28. مفاهیم پایه‌ای شبکه‌های عصبی برای داده‌های سنجش از دور
• 29. پیاده‌سازی CNN با استفاده از TensorFlow/Keras برای استخراج ویژگی‌های ماهواره‌ای
• 30. مدل‌سازی شبکه‌های واکنش متقاطع برای طبقه‌بندی دقیق
• 31. پیاده‌سازی شبکه‌های واکنش متقاطع U-Net برای تجزیه و تحلیل ناحیه‌ای
• 32. استفاده از شبکه‌های واکنش متقاطع ResNet برای تصاویر ماهواره‌ای
• 33. کاربردهای شبکه‌های واکنش متقاطع Attention در سنجش از دور
• 34. پیاده‌سازی شبکه‌های عصبی با استفاده از PyTorch برای سنجش از دور
• 35. پیش‌آموزش مدل‌های CNN با استفاده از داده‌های بزرگ ماهواره‌ای
• 36. تکنیک‌های انتقال‌یادگیری برای استخراج اطلاعات ماهواره‌ای
• 37. ترکیب مدل‌های مختلف با استفاده از روش‌های تجميع‌سازی
• 38. بهبود دقت با استفاده از روش‌های تقویت‌کننده
• 39. آموزش مدل‌های یادگیری ماشین برای داده‌های نامتوازن
• 40. مدل‌سازی داده‌های ماهواره‌ای با استفاده از روش‌های پلید
• 41. استخراج ویژگی‌های بافتی با استفاده از HOG، LBP و GLCM
• 42. ترکیب شاخص‌های طیفی و ویژگی‌های بافتی
• 43. ادغام داده‌های ماهواره‌ای با داده‌های مکانی تکمیلی
• 44. روش‌های یادگیری گسسته برای ترکیب داده‌های ماهواره‌ای و سنجش از دور
• 45. تطبیق دامنه برای تطبیق مدل‌ها با داده‌های ماهواره‌ای جدید
• 46. بررسی عملکرد مدل‌های یادگیری خودسرپرست برای استخراج اطلاعات
• 47. روش‌های پردازش تصاویر ماهواره‌ای در زمان واقعی
• 48. مطالعه موردی: نقشه‌برداری پوشش زمین با استفاده از یادگیری ماشین
• 49. مطالعه موردی: شناسایی تغییرات برای توسعه شهری
• 50. مطالعه موردی: نقشه‌برداری سیل با استفاده از داده‌های ماهواره‌ای
• 51. مطالعه موردی: شناسایی بیماری محصولات کشاورزی
• 52. مطالعه موردی: نقشه‌برداری از جنگل‌های انبوه با استفاده از تصاویر ماهواره‌ای
• 53. توجه به مسائل اخلاقی در استفاده از داده‌های ماهواره‌ای
• 54. حریم خصوصی داده‌ها و مسائل امنیتی در داده‌های ماهواره‌ای عمومی
• 55. آینده‌های پیش‌رو: حسگرهای جدید، داده‌های فرابعدی، و هوش مصنوعی یکپارچه
• 56. پایان‌نامه‌های پیشرفته: ساخت یک پایگاه کد کامل و قابل اجرا
• 57. بهینه‌سازی فرآیندها با استفاده از Dask برای داده‌های ماهواره‌ای بزرگ
• 58. استفاده از پلتفرم‌های ابری (AWS، Google Earth Engine) برای یادگیری ماشین در سنجش از دور
• 59. تفسیرپذیری مدل‌های یادگیری ماشین با استفاده از SHAP و LIME
• 60. روش‌های توضیح‌پذیری برای تصمیم‌گیری‌های استخراج اطلاعات
• 61. بهترین روش‌ها برای تحقیقات قابل تکرار در سنجش از دور
• 62. چرخه کامل پروژه: از تهیه داده‌ها تا تحویل نهایی
• 63. ارزیابی مقاومت مدل‌ها در برابر شرایط جوی متفاوت
• 64. مدیریت داده‌های آموزشی با استفاده از GDAL، rasterio و geopandas
• 65. پیاده‌سازی مدل‌های یادگیری ماشین در GIS برای تجزیه و تحلیل مکانی
• 66. استفاده از مدل‌های یادگیری ماشین در قالب سرویس‌های وب
• 67. استفاده از Docker و Kubernetes برای استقرار مدل‌های استخراج اطلاعات
• 68. مراحل بعدی: آموزش مدل‌ها در هاب‌های ماهواره‌ای مبتنی بر ابر
• 69. روش‌های پیشرفته برای پردازش داده‌های چندگانه ماهواره‌ای
• 70. ادغام داده‌های ماهواره‌ای با داده‌های سنسورهای دست دوم
• 71. مطالعه موردی: نقشه‌برداری از پوشش گیاهی با استفاده از داده‌های چندگانه
• 72. مطالعه موردی: شناسایی اشیاء با استفاده از داده‌های ماهواره‌ای و دروئید
• 73. مطالعه موردی: نقشه‌برداری از آتش‌سوزی جنگل‌ها
• 74. مطالعه موردی: نقشه‌برداری از دما و تنوع اکوسیستم
• 75. توسعه مدل‌های یادگیری ماشین با استفاده از داده‌های ماهواره‌ای خودسرپرست
• 76. کاربردهای یادگیری ماشین در سنجش از دور در زمان واقعی